Saya prihatin dengan data pengamatan di mana tugas perawatan dapat dijelaskan dengan sangat baik. Misalnya, regresi logistik
wehre tugas perawatan dan kovariat sangat cocok dengan tes sangat tinggi atau bahkan . Ini adalah kabar baik untuk keakuratan model kecenderungan, tetapi mengarah ke perkiraan skor kecenderungan tutup ke atau . Ini pada gilirannya menyebabkan bobot probabilitas invers besar dan digunakan dalam estimator seperti estimator berbobot probabilitas terbalik, ekspektasi hasil. (observasi dalam perawatan):
Saya kira ini mengubah varian perkiraan menjadi sangat besar.
Sepertinya lingkaran setan yang model skor kecenderungan sangat diskriminatif menyebabkan bobot yang ekstrim.
Pertanyaan saya : opsi apa yang tersedia untuk membuat analisis ini lebih kuat? Apakah ada alternatif yang sesuai dengan model skor kecenderungan atau bagaimana menghadapi beban besar setelah model tersebut sesuai?
Jawaban:
Ini deteksi yang bagus. Anda mengacu pada asumsi positif. Ini mensyaratkan bahwa ada peserta yang terpapar dan tidak terpapar pada setiap kombinasi nilai-nilai dari pengacau yang diamati dalam populasi yang diteliti. Pelanggaran positif terjadi ketika subkelompok tertentu dalam sampel jarang atau tidak pernah menerima beberapa perlakuan yang menarik. Ada banyak makalah tentang topik ini, seperti Austin dan Stuart (2015) dan Peterson et al. (2012) . Anda dapat mencari lebih banyak secara online.
sumber